在现实生活中，人们的交互行为越来越趋向于社区化，即具有相同兴趣的人更容易聚集在一起形成一个社区。社区的研究在最近几年来一直受到人们的广泛关注，目前大多数的工作都几种在研究社区的形成，演化，以及社区的划分。划分社区的方法有很多种，但是大部分都是利用网络的拓扑结构，本文通过利用节点的属性，例如tag等，来划分社区。另外本文也讨论了社区的演化等内容。
方法：
首先本文定义了如下变量
A是某种属性，例如给定一个颜色集合{red, blue, black}，如果属于red，那么对应的Ared=1等。在此基础上，可以定义true positive rate (tpr)
和false positive rate (fpr)
第一种方法AGP就是把所有的tpr进行累加
第二种方法DGP是考虑group内和group外节点tpr和fpr的差异
第三种方法EDGP是基于第二种方法，第二种方法在考虑差异性的时候，计算一个group的节点和其余所有节点的差异性，而EDGP只考虑与该group相关的节点，例如下图所示：
第三种方法只考虑粉红色节点，而绿色部分的节点就不再考虑。
实验:
本文在两个数据集BlogCatalog和LiveJournal上做了实验，下表是相关的统计特征
一些group的统计特性：
算法对比：
从上面两个图可以看出，DGP和EDGP的准确率比较接近，并且要远远好于AGP。这个结果在基于tag和post两种情况都符合。
上表显示了预测health这个group的时候，三个方法的预测结果，从表中可以看出，DGP和EDGP两个方法预测出的结果比较类似，与AGP有很大的区别。
来源：百分点 个性化时代
文章TAG：个性化推荐引擎 百分点 准确率 个性化推荐 结构
